isp-uv-es/SEN2NAIP|遥感图像处理数据集|超分辨率技术数据集

SEN2NAIP是一个用于支持传统和基于参考的超分辨率模型训练的大型遥感数据集。它由两部分组成：跨传感器数据集和合成数据集。跨传感器数据集包含来自Sentinel-2 L2A的低分辨率图像和来自National Agriculture Imagery Program (NAIP)的高分辨率图像。合成数据集则包含使用退化模型生成的NAIP和S2like图像对。该数据集旨在为探索提高Sentinel-2卫星图像空间分辨率的新技术提供有价值的资源。

The SEN2NAIP is a large remote sensing dataset designed to support conventional and reference-based super-resolution model training. It consists of two parts: a cross-sensor dataset and a synthetic dataset. The cross-sensor dataset includes low-resolution images from Sentinel-2 L2A and high-resolution images from the National Agriculture Imagery Program (NAIP). The synthetic dataset comprises NAIP and S2like image pairs generated using a degradation model. The dataset aims to provide a valuable resource for exploring new techniques to enhance the spatial resolution of Sentinel-2 satellite imagery.

原始信息汇总

SEN2NAIP 数据集概述

数据集介绍

SEN2NAIP 是一个大型遥感数据集，旨在支持传统和基于参考的超分辨率（SR）模型训练。该数据集分为两个主要部分：

1. 跨传感器数据集：包含 2,851 对来自 Sentinel-2 L2A 的低分辨率（LR）图像和来自国家农业影像计划（NAIP）的高分辨率（HR）图像。
2. 合成数据集：包含 17,657 对 NAIP 和 S2like 图像对，这些图像是通过降解模型生成的，以匹配 Sentinel-2 图像的特征。

数据集下载

数据集可以通过以下代码从 Hugging Face Hub 下载：

下载跨传感器数据集

python from huggingface_hub import hf_hub_download

hf_hub_download( repo_id="isp-uv-es/SEN2NAIP", repo_type="dataset", filename="cross-sensor/cross-sensor.zip" )

下载合成数据集

python for i in range(1, 19): hf_hub_download( repo_id="isp-uv-es/SEN2NAIP", repo_type="dataset", filename="synthetic/synthetic_%02d.zip" % i )

可复现示例

加载跨传感器数据集

python import rioxarray import torch

DEMO_PATH = "https://huggingface.co/datasets/isp-uv-es/SEN2NAIP/resolve/main/demo/"

cross_sensor_path = DEMO_PATH + "cross-sensor/ROI_0000/" hr_data = rioxarray.open_rasterio(cross_sensor_path + "hr.tif") lr_data = rioxarray.open_rasterio(cross_sensor_path + "lr.tif") hr_torch = torch.from_numpy(hr_data.to_numpy()) / 255 lr_torch = torch.from_numpy(lr_data.to_numpy()) / 10000

加载合成数据集

python import opensr_degradation import rioxarray import datasets import requests import tempfile import torch import json

def load_metadata(metadata_path: str) -> dict: tmpfile = tempfile.NamedTemporaryFile(suffix=".json") with requests.get(metadata_path) as response: with open(tmpfile.name, "wb") as file: file.write(response.content) metadata_json = json.load(open(tmpfile.name, "r")) return metadata_json

DEMO_PATH = "https://huggingface.co/datasets/isp-uv-es/SEN2NAIP/resolve/main/demo/"

synthetic_path = DEMO_PATH + "synthetic/ROI_0001/"

hr_early_data = rioxarray.open_rasterio(synthetic_path + "early/01__m_4506807_nw_19_1_20110818.tif") hr_early_torch = torch.from_numpy(hr_early_data.to_numpy()) / 255 hr_early_metadata = load_metadata(synthetic_path + "late/metadata.json") lr_hat, hr_hat = opensr_degradation.main.get_s2like( image=hr_early_torch, table=hr_early_metadata["sim_histograms"], model="gamma_multivariate_normal_50" )

import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 3, figsize=(10, 5)) ax[0].imshow(hr_early_torch[[3, 1, 2]].permute(1, 2, 0)) ax[0].set_title("NAIP") ax[1].imshow(hr_hat[[3, 1, 2]].permute(1, 2, 0)*3) ax[1].set_title("NAIPhat") ax[2].imshow(lr_hat[[3, 1, 2]].permute(1, 2, 0)*3) ax[2].set_title("S2like") plt.show()

AI搜集汇总

数据集介绍

构建方式

在遥感领域对高空间分辨率图像的日益增长需求背景下，SEN2NAIP数据集应运而生。该数据集分为两个主要部分：一是跨传感器数据集，包含2,851对来自Sentinel-2 L2A的低分辨率图像和来自国家农业影像计划（NAIP）的高分辨率图像；二是合成数据集，通过开发一种能够将NAIP图像转换为与Sentinel-2图像特性相匹配的退化模型，生成了17,657对NAIP和S2like图像对。这种构建方式不仅提供了丰富的训练数据，还为研究者提供了探索新型超分辨率技术的可能性。

特点

SEN2NAIP数据集的显著特点在于其跨传感器和合成数据的结合，这种结构为超分辨率模型的训练提供了多样化的数据支持。跨传感器数据集直接反映了实际应用中的传感器差异，而合成数据集则通过模拟退化过程，增强了数据集的广度和深度。此外，数据集的构建过程中采用了先进的退化模型，确保了合成数据的真实性和可靠性，从而为研究者提供了高质量的训练资源。

使用方法

使用SEN2NAIP数据集时，用户可以通过HuggingFace Hub轻松下载跨传感器和合成数据集。对于跨传感器数据集，用户可以加载高分辨率和低分辨率图像对，进行模型训练和验证。对于合成数据集，用户可以选择不同的退化模型方法，如vae_histogram_matching和gamma_multivariate_normal系列，来生成和加载相应的低分辨率和高分辨率图像对。这些数据集的加载和使用方法均通过Python代码示例进行了详细说明，便于研究者快速上手。

背景与挑战

背景概述

随着遥感影像对高空间分辨率需求的日益增长，超分辨率（SR）算法的重要性愈发凸显。这些算法旨在将低分辨率（LR）图像转换为高分辨率（HR）图像，以满足各类应用需求。在此背景下，SEN2NAIP数据集应运而生，由主要研究人员或机构开发，旨在支持传统和基于参考的SR模型训练。该数据集由两部分组成：一是包含2,851对来自Sentinel-2 L2A的LR图像和来自国家农业影像计划（NAIP）的HR图像的跨传感器数据集；二是通过降解模型生成的17,657对NAIP和S2like图像的合成数据集。SEN2NAIP的推出，为提升Sentinel-2卫星影像空间分辨率的研究提供了宝贵的资源，推动了遥感技术的发展。

当前挑战

SEN2NAIP数据集的构建面临多项挑战。首先，跨传感器数据集的创建需要解决不同传感器间图像特征的匹配问题，确保LR和HR图像对的有效性。其次，合成数据集的生成依赖于复杂的降解模型，该模型需精确模拟Sentinel-2影像的特性，这对模型的准确性和稳定性提出了高要求。此外，数据集的规模庞大，涉及大量图像的处理和存储，如何高效管理和分发数据也是一个重要挑战。最后，数据集的应用需要考虑不同SR算法的兼容性，确保其在各类模型训练中的有效性。

常用场景

经典使用场景

SEN2NAIP数据集在遥感图像超分辨率领域具有广泛的应用前景。该数据集通过提供2,851对来自Sentinel-2 L2A的低分辨率图像和来自国家农业影像计划（NAIP）的高分辨率图像，以及17,657对合成图像对，支持传统和基于参考的超分辨率模型训练。其经典使用场景包括开发和验证超分辨率算法，特别是在将低分辨率遥感图像转换为高分辨率图像方面，为研究人员提供了丰富的实验数据。

解决学术问题

SEN2NAIP数据集解决了遥感图像超分辨率研究中的关键问题，特别是如何有效地将低分辨率图像转换为高分辨率图像。通过提供跨传感器和合成数据集，该数据集为研究者提供了多样化的数据资源，有助于探索和验证新的超分辨率技术。这不仅推动了遥感图像处理技术的发展，还为提高Sentinel-2卫星图像的空间分辨率提供了理论和实践支持。

衍生相关工作

SEN2NAIP数据集的发布催生了一系列相关研究工作，包括但不限于超分辨率算法的设计与优化、遥感图像质量评估方法的改进以及跨传感器数据融合技术的探索。这些研究不仅基于该数据集进行了深入的实验验证，还推动了遥感图像处理领域的技术进步。未来，随着更多研究者利用该数据集进行创新，预计将会有更多突破性的成果涌现。